Arbeidsmarkedet kan oppleves som fragmentert og vanskelig å orientere seg i for en jobbsøker. Dette gjelder også de som jobber med innovasjon og ny teknologi.
Mange av disse er medlemmer i fagforeningen Tekna.
I Tekna er det 88 000 medlemmer som har en mastergrad innen teknologi, realfag eller naturvitenskap. En del av disse er til enhver tid på jobbjakt.
For å hjelpe medlemmer med å orientere seg i arbeidsmarkedet, har Tekna lansert Karrierekompasset.
Dette er en tjeneste som sammenligner jobbsøkerens profil med tusenvis av andre Tekna-medlemmer med lignende utdanning og arbeidserfaring.
Mangedimensjonalt rom for å finne nye sammenhenger
Petter Egesund fra Sannsyn har vært med å utvikle løsningen.
Han forteller at hos Tekna har man satt opp en algoritme som håndterer mange faktorer som kan påvirke et jobbvalg. Ved hjelp av såkalte nevrale nettverk er man i stand til å se hvordan faktorer spiller sammen, men også motvirker og forsterker hverandre.
– Vi bruker en teknikk som kalles embeddings som plasserer alle enhetene i et mangedimensjonalt rom. Likhet i avstand i dette rommet gjenspeiler likhet i virkeligheten. Vi kan bruke dette rommet til å finne sammenhenger mellom personer, stillingstitler, utdanning og arbeidssteder, forklarer Egesund.
Tjenesten videreutvikles fortløpende. På sikt ønsker Tekna å gi anbefalinger som for eksempel:
- Hvilken arbeidsplasser kan passe for denne arbeidssøkeren?
- Hvilke arbeidsplasser har like kompetanseprofiler?
- Hvilke stillingsprofiler er mest ettertraktet i arbeidsmarkedet?
Overraskende innsikter
Slike algoritmer gir ofte gode, men også overraskende innsikter, sier Egesund.
– Eksempelvis vil man kunne se at teknisk utdanning vil kunne være viktig på arbeidsplasser der man ikke nødvendigvis vil kunne forvente dette – noe som igjen vil være viktig informasjon for en arbeidssøker som ikke nødvendigvis hadde sett i denne retningen.
Men en utfordring med et slikt nettverk vil være at det kan inneholde såkalt biaser – det vil kunne bekrefte forutinntatte holdninger. En slik “holdning” kan være ønskede effekter, som at lokale arbeidsplasser vil bli ranket over de lengre unna, mens andre kan være uønskede.
– Det er derfor viktig å kunne justere et nettverk som diskriminerer, dersom man ser at dette er tilfellet. En annen utfordring når man trener nettverk, er at det kan være utfordringer i datakvaliteten – eksempelvis kan samme utdanning ha ulikt navn på ulike universiteter. Mye arbeid innenfor data science består derfor i å “vaske” grunnlagsdataene, sier Egesund.
Den erfarne teknologen håper at løsningene gjør at jobbsøkere får øynene opp for nye og spennende jobber.
– Med de nye algoritmene kan man presentere nye og relevante muligheter til jobbsøkerne. Målet er å finne jobber man ikke klarer å se selv kanskje fordi man har vært for lenge på et sted, har fokusert på et for snevert område eller ikke har full oversikt over markedet, avslutter Petter Egesund.
Lyst til å lese mer om den nye tjenesten? Les artikkelen Lærer som et barn med nevrale nettverk.